forked from lixing0810/Pytorch_ADMM-CSNet
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtrain.py
176 lines (161 loc) · 8.17 KB
/
train.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
"""
ADMM_-CSNET training example (v1) with MR slices
By Yan Yang, Jian Sun, Huibin Li, Zongben Xu
Please cite the below paper for the code:
Yan Yang, Jian Sun, Huibin Li, Zongben Xu. ADMM-CSNet: A Deep Learning Approach for Image Compressive Sensing,
TPAMI(2019).
"""
from __future__ import print_function, division
import sys
import os
import torch
import argparse
from network.CSNet_Layers import CSNetADMMLayer
from utils.dataset import get_data
import torch.utils.data as data
from utils.my_loss import MyLoss
import time
from utils.metric import complex_psnr
from tensorboardX import SummaryWriter
import gc
import torchvision.utils as utils
from scipy.io import loadmat
from utils.fftc import *
from os.path import join
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
if __name__ == '__main__':
###############################################################################
# parameters
###############################################################################
parser = argparse.ArgumentParser(description=' main ')
parser.add_argument('--data_dir', default='data/', type=str,
help='directory of data')
parser.add_argument('--batch_size', default=1, type=int, help='batch size')
parser.add_argument('--num_epoch', default=1000, type=int, help='number of epochs')
parser.add_argument('--outf', type=str, default='logs_csnet', help='path of log files')
args = parser.parse_args()
###############################################################################
# callable methods
###############################################################################
def adjust_learning_rate(opt, epo, lr):
"""Sets the learning rate to the initial LR decayed by 5 every 50 epochs"""
lr = lr * (0.5 ** (epo // 50))
for param_group in opt.param_groups:
param_group['lr'] = lr
###############################################################################
# dataset
###############################################################################
train, test, validate = get_data(args.data_dir)
len_train, len_test, len_validate = len(train), len(test), len(validate)
print("len_train: ", len_train, "\tlen_test:", len_test, "\tlen_test:", len_test)
train_loader = data.DataLoader(dataset=train, batch_size=args.batch_size, shuffle=False, num_workers=4,
pin_memory=False)
test_loader = data.DataLoader(dataset=test, batch_size=args.batch_size, shuffle=False, num_workers=4,
pin_memory=False)
valid_loader = data.DataLoader(dataset=validate, batch_size=args.batch_size, shuffle=False, num_workers=4,
pin_memory=False)
###############################################################################
# mask
###############################################################################
dir = 'data/mask_20'
data = loadmat(join(dir, os.listdir(dir)[0]))
mask_data = data['mask']
mask = ifftshift(torch.Tensor(mask_data)).cuda()
###############################################################################
# ADMM-CSNET model
###############################################################################
model = CSNetADMMLayer(mask).cuda()
###############################################################################
# Adam optimizer
###############################################################################
optimizer = torch.optim.Adam(model.parameters())
###############################################################################
# self-define loss
###############################################################################
criterion = MyLoss().cuda()
writer = SummaryWriter(args.outf)
###############################################################################
# train
###############################################################################
print("start training...")
start_time = time.time()
for epoch in range(0, args.num_epoch + 1):
total_loss_org = 0
train_batches = 0
train_psnr = 0
adjust_learning_rate(optimizer, epoch, lr=0.002)
# ===================train==========================
for batch_idx, (label, num) in enumerate(train_loader):
full_kspace = torch.fft.fft2(label.cuda())
output = model(full_kspace)
optimizer.zero_grad()
loss_normal = criterion(output, label.cuda())
loss_normal.backward()
optimizer.step()
total_loss_org += loss_normal.data.item()
train_batches += 1
train_psnr_value = complex_psnr(abs(output).cpu().detach().numpy(), abs(label).cpu().detach().numpy(),
peak='normalized')
train_psnr += train_psnr_value
print("[epoch %d][%d/%d] loss: %.4f PSNR_train: %.4f" %
(epoch + 1, batch_idx + 1, len(train_loader), total_loss_org / (batch_idx + 1),
train_psnr / (batch_idx + 1)))
train_psnr /= train_batches
total_loss_org /= train_batches
print("train_loss: ", total_loss_org)
print("train_psnr: ", train_psnr)
writer.add_scalar('psnr on train data', train_psnr, epoch)
if epoch % 10 == 0:
torch.save(model.state_dict(),
os.path.join(args.outf, 'model{}.pth'.format(epoch)))
model.eval()
###############################################################################
# validate
###############################################################################
validate_err = 0
validate_psnr = 0
validate_batches = 0
with torch.no_grad():
for batch_idx, (label, num) in enumerate(valid_loader):
gc.collect()
torch.cuda.empty_cache()
full_kspace = torch.fft.fft2(label.cuda())
val_output = model(full_kspace)
validate_loss_normal = criterion(val_output, label.cuda())
validate_err += validate_loss_normal.item()
validate_batches += 1
valid_psnr_value = complex_psnr(abs(val_output).cpu().numpy(), abs(label).cpu().numpy(),
peak='normalized')
validate_psnr += valid_psnr_value
if epoch % 10 == 0:
resconstructed_image = utils.make_grid(abs(val_output.data.squeeze().cpu()), nrow=5, normalize=True,
scale_each=True)
writer.add_image('reconstructed image', resconstructed_image, epoch)
validate_err /= validate_batches
validate_psnr /= validate_batches
print("valid_loss ", validate_err)
print("valid_psnr ", validate_psnr)
writer.add_scalar('psnr on valid data', validate_psnr, epoch)
###############################################################################
# test
###############################################################################
test_err = 0
test_psnr = 0
test_batches = 0
model.eval()
for batch_idx, (label, num) in enumerate(test_loader):
gc.collect()
with torch.no_grad():
full_kspace = torch.fft.fft2(label.cuda())
test_output = model(full_kspace)
test_loss_normal = criterion(test_output, label.cuda())
test_err += test_loss_normal.item()
test_batches += 1
test_psnr_value = complex_psnr(abs(test_output).cpu().numpy(), abs(label).cpu().numpy(),
peak='normalized')
test_psnr += test_psnr_value
test_err /= test_batches
test_psnr /= test_batches
print("test_loss ", test_err)
print("test_psnr ", test_psnr)
writer.add_scalar('psnr on test data', test_psnr, epoch)